NLP语言模型训练里的特殊向量

1. CLS 向量和 DEC 向量的区别及训练方式

(1) CLS 向量与 DEC 向量是否都是特殊 token？

CLS 向量（[CLS] token）和 DEC 向量（Decoder Input token）都是特殊的 token，但它们出现在不同类型的 NLP 模型中，并承担不同的功能。

1. CLS 向量（[CLS] token）

   • 主要出现在 BERT 类的双向 Transformer 编码器模型中，比如 BERT、RoBERTa、ALBERT 等。
   • 用于表示整个输入序列的全局信息，常用于分类任务（如情感分析、文本匹配）。
   • 具体机制：
     • 在 BERT 预训练阶段，[CLS] token 被加在输入文本的最前面。
     • 经过 Transformer 编码层后，输出的 CLS 向量聚合了整个文本的信息，最终送入分类头进行任务训练。
     • 例如，在情感分类任务中，CLS 向量会经过全连接层和 softmax 变换，输出正负类别概率。

2. DEC 向量（Decoder Input token）

   • 主要出现在 Encoder-Decoder 结构的模型中，比如 Transformer（用于机器翻译）、T5（用于文本生成）等。
   • 充当解码器的初始输入，通常由 <bos>（begin-of-sequence） 或者 <s>（start token）表示。
   • 具体机制：
     • 训练时，Decoder 需要一个起始 token（例如 <bos>），然后依赖 Encoder 的输出和已生成的部分自回归地预测下一个 token。
     • 生成过程中，每个时间步的 DEC 向量都会影响下一个 token 的生成。

(2) CLS 向量和 DEC 向量如何初始化？

• CLS 向量初始化 ：

  在 BERT 预训练时，[CLS] token 的初始向量与普通词向量一样，随机初始化，并在训练过程中通过梯度下降不断优化。

• DEC 向量初始化 ：

  在 Transformer 类模型中，DEC token 也通常是随机初始化的，但是不同的模型可能采用不同的方法：

  • 在 T5 这种预训练模型中，Decoder 的输入采用的是预训练时学习到的 <s> token 。
  • 在机器翻译任务中，Decoder 可能使用源语言的 <bos> 作为起点。

(3) CLS 向量和 DEC 向量如何参与训练？

• CLS 向量的训练方式：

  • 在 BERT 预训练任务（如 Masked Language Model 和 Next Sentence Prediction）中，CLS 向量是计算句子级别任务损失的关键部分。
  • 在下游任务中（如文本分类），CLS 向量会经过额外的线性层，用于预测类别标签。

• DEC 向量的训练方式：

  • 参与自回归训练，即在训练时，Decoder 只能够看到之前的词，而预测当前时间步的目标词（Teacher Forcing 机制）。
  • 目标是最大化正确序列的似然，使得 DEC 向量能够学习如何有效指导解码器生成合理的输出。

(4) CLS 向量和 DEC 向量本质上是否相同？

从数学本质上看，它们都是高维向量（embedding），但在模型设计上：

• CLS 向量用于编码文本全局语义，属于 Encoder 端的产物。
• DEC 向量用于自回归地指导序列生成，属于 Decoder 端的输入。
• 区别主要体现在训练方式、任务目标和语义作用上。

---

2. 分类损失（如交叉熵） vs. 语言模型损失（如负对数似然）

这两种损失都用于 NLP 任务，但应用场景不同。

(1) 分类损失（Cross Entropy, CE）

• 适用任务： 用于文本分类、命名实体识别（NER）、情感分析等任务。

• 计算方式：

  • 先计算模型输出的类别概率分布：
    p i = softmax ( z i ) p_i = \text{softmax}(z_i) pi=softmax(zi)
  • 再计算真实类别 ( y ) 与预测类别 ( p ) 之间的交叉熵：
    L = − ∑ i y i log ⁡ p i L = -\sum_{i} y_i \log p_i L=−i∑yilogpi

• 特点：

  • 仅在整个输入上计算一个类别概率，而不涉及逐 token 预测。

(2) 语言模型损失（Negative Log Likelihood, NLL）

• 适用任务： 用于文本生成、机器翻译、问答任务（如 GPT、T5）。

• 计算方式：

  • 语言模型在训练时，目标是最大化正确序列的似然概率 ，其损失形式为：
    L = − ∑ t log ⁡ p ( y t ∣ y < t , x ) L = -\sum_{t} \log p(y_t | y_{<t}, x) L=−t∑logp(yt∣y<t,x)
  • 这里，( y_t ) 是第 ( t ) 个时间步的目标词，( y_{<t} ) 代表已生成的部分，( x ) 是输入序列（如果是 Encoder-Decoder）。

• 特点：

  • 逐 token 计算损失，关注序列的生成概率。
  • 在自回归（Auto-regressive）任务中，每个 token 预测结果依赖前面已生成的部分。

(3) 两者的主要区别

	分类损失（CE）	语言模型损失（NLL）
任务类型	句子级别任务（分类）	逐 token 预测任务（生成）
计算方式	计算整个文本的类别概率	计算每个 token 的预测概率
是否自回归	否	是

3. 自回归（Autoregressive, AR）

(1) 自回归的定义

自回归（Autoregressive）是一种序列建模方法，当前时间步的预测依赖于过去的输出。

(2) 为什么叫"自回归"？

• "回归" 这个术语在统计学中表示根据历史数据预测未来值。
• "自" 指的是模型的输入来自于自己之前的预测。
• 因此，自回归 = "使用自身过去的信息来预测未来"。

(3) NLP 中的自回归模型

• GPT（Generative Pre-trained Transformer）

  • 在第 ( t ) 个时间步，只能看到 ( y_1, y_2, \ldots, y_{t-1} ) 这些前面的 token，不能看到未来的信息。

  • 预测方式：
    p ( y t ∣ y < t ) p(y_t | y_{<t}) p(yt∣y<t)

  • 依赖"过去的输出"来预测下一个词，典型的自回归结构。

• BERT 不是自回归模型

  • BERT 是 双向 Transformer，训练时可以看到整个输入，因此它不是自回归模型。

(4) 自回归的应用

• 语言模型（GPT、XLNet）
• 机器翻译（Transformer Decoder）
• 语音生成（WaveNet）

---

总结

1. CLS 向量和 DEC 向量本质上都是向量，但用途不同：

   • CLS 向量用于文本分类、全局表征；
   • DEC 向量用于解码器输入，引导文本生成。

2. 分类损失 vs. 语言模型损失：

   • 交叉熵用于整体分类；
   • 负对数似然用于逐 token 预测。

3. 自回归（Auto-regressive）是指依赖自身过去输出进行预测，GPT 等生成模型采用这一机制。

---

在 NLP 任务中，<s> 和 <bos> 都是 特殊 token，但它们的使用方式略有不同，取决于具体的模型和任务。

1. <s>（Start-of-Sequence Token）

<s> 代表 序列的起始 token，在不同的模型中用途不同：

• 在 T5 模型（Text-to-Text Transfer Transformer）中：

  • T5 是一个 Encoder-Decoder 结构的 Transformer，所有任务都被转换成文本生成任务。

  • 在 T5 的 Decoder 中，解码输入（Decoder Input）以 <s> 作为起始 token，然后逐步生成后续 token。

  • 训练时：

    输入 (Encoder Input) = "Translate English to French: I love NLP"
    目标输出 (Decoder Target) = "<s> J'aime le NLP </s>"

  • 预测时：

    • <s> 提供解码起点，模型基于 Encoder 的输出和 <s> 生成下一个 token。

• 在 BART（Bidirectional and Auto-Regressive Transformer）模型中：

  • BART 也是 Encoder-Decoder 结构，用于文本填充、摘要等任务。
  • <s> 用于标识句子开始，在 BART 预训练阶段，模型可能会恢复丢失的 <s> token。

• 在一些 NLP 任务中：

  • <s> 也可以作为整个句子或段落的起点，类似于 [CLS]（BERT 中用于分类任务的 token）。

---

2. <bos>（Beginning-of-Sequence Token）

<bos> 代表 序列的开始 ，用于 自回归（Auto-regressive）解码：

• 在机器翻译（MT）任务中：

  • Transformer 结构的 Decoder 需要一个起始 token，通常用 <bos> 作为 Decoder 的输入。

  • 例如：

    源语言输入 (Encoder Input): "I love NLP"
    目标输出 (Decoder Target): "<bos> J'aime le NLP <eos>"

  • 在训练时，Decoder 会在 <bos> 之后一个个预测目标语言的 token，直到遇到 <eos>（end-of-sequence）。

• 在 GPT 这样的自回归模型中：

  • GPT 主要用于文本生成任务，如对话、摘要。
  • <bos> 告诉模型"文本从这里开始"，然后 GPT 依次预测下一个 token。

---

3. <s> 和 <bos> 的区别

Token	常见用途	典型模型
<s> (Start-of-Sequence)	句子/段落的起点，用于 Encoder-Decoder 任务	T5、BART
<bos> (Beginning-of-Sequence)	自回归生成的起始 token，特别用于解码	GPT、Transformer Decoder

• 如果是 Encoder-Decoder 结构（如 T5、BART） ，一般使用 <s> 作为起始 token。
• 如果是 仅 Decoder 结构（如 GPT） ，则使用 <bos> 作为文本生成的起始 token。